AI“闪耀”诺贝尔奖

界面新闻记者 | 查沁君 陈振芳
界面新闻编辑 | 文姝琪

凌晨1点的加利福利亚州，科学家杰弗里·辛顿（Geoffrey E. Hinton）刚躺下睡了没多久，就被电话铃声吵醒，他在考虑是否应该接听。

幸运的是，他按下了接听键，想看看是谁打来的，对方告诉他，“恭喜你获得了今年的诺贝尔物理学奖”。

“这不会是个诈骗电话吧？”杰弗里·辛顿的第一反应是难以置信。毕竟他不是物理学家，大学一年级时还从物理学专业退学了，因为不会做复杂的数学。

由于其在人工神经网络和深度学习上的突出成就，杰弗里·辛顿被誉为“AI教父”，并在2018年荣获有“计算机领域的诺贝尔奖”之称的图灵奖。加上本次获奖更是让他成为史上首位同时获得图灵奖和诺贝尔奖的科学家。

如果只有杰弗里·辛顿一位，今年的诺贝尔奖或许还不至于形成如此轰动热烈的舆论场，直到第二天，诺贝尔化学奖的三位获奖者中，戴米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M.Jumper）两位都来自于谷歌旗下的AI团队DeepMind，舆论彻底爆发。

至此，AI成为今年诺贝尔奖的最大赢家。

为什么是AI？

“这是预料之中的事。”华南理工大学物理系教授姚尧告诉界面新闻。

当他得知今年的诺贝尔物理学奖及化学奖，均授予了人工智能领域的学者时，他的第一反应是，“这事早晚会发生”。因为人工智能是目前最前沿的研究领域，他个人此前就有预感，“不是今年，就是明年，总之近两三年内，肯定会颁发相关奖项。”

关于这一点，姚尧提到，诺贝尔奖的颁发原则首先是奖励对人类作出重大贡献的科学技术、发明或理论，而人工智能无疑符合这一标准，不仅是学界内，甚至外界也有很多人预期到这一点。

关键在于具体人选上，此次物理学奖获得者之一的约翰·霍普菲尔德（John Hopfield）具有坚实的物理背景，并且其研究工作主要发表在物理期刊上，因此作为物理学界代表获奖，应该不会引起太大争议。

另一位获奖者杰弗里·辛顿的情况则有些不同，因为他几乎没有物理背景，专业是认知心理学，其研究更多地是从神经科学的角度出发，“尽管他的工作中也融入了一些与统计物理相关的思想，但这多少让人感觉有些勉强。”姚尧称。

不过，这种跨学科的颁奖并不是首次，在过去也有类似情况。例如，去年诺贝尔物理学奖指向的是阿秒激光技术，尽管该技术在生物学和化学领域应用较多，但在原理上，它代表了光学领域的一项基础性进展，因此被授予奖项。

此外，姚尧还提到，诺贝尔奖更倾向于奖励先驱者，即那些对人类生产生活产生重要影响的发明创造背后的奠基者，这也是其一贯作风——奖励原理性或奠基性的工作，而非单纯的应用层面。

同样，今年物理学奖的授予者——约翰·霍普菲尔德在1982年创建了“霍普菲尔德网络”（Hopfield Network），杰弗里·辛顿则以霍普菲尔德网络为基础，发明了玻尔兹曼机，从而帮助启动了机器学习当前的爆炸式发展，即以人工神经网络为核心的深度学习革命。

“获奖者们在上世纪八十年代以来，进行了早期的基础性探索，尽管他们的原理在现今的应用版本中已经被迭代更新，但他们是最早提出这些概念的人，为连接主义和神经网络奠定了基础。”姚尧称。

在解释物理学与AI更深层次的关系时，中科院物理所研究员刘淼对界面新闻称，今年诺贝尔物理学奖的核心是人工神经网络，其本质是用计算机模拟生命体的神经细胞接受信号、作出反馈的过程。它模拟的水平越高，就越能像人一样思考和决策。

“相关理论早在上世纪40年代就被提出，但在当时不被看好。”刘淼称，但随着技术发展，人类的硬件水平、算力不断提升，它逐渐变为现实。

尽管如此，被AI抢了风头的物理学奖，也免不了受到争议，舆论上的另一拨声音不断涌现，甚至有人戏谑，“和人工智能结合的物理并不是真正的物理！”、““AI拿了奖，物理学不存在了”。

质疑的声音主要集中在“人工神经网络并非传统意义上的‘物理’”。

物理学传统的定义是研究物质最一般的运动规律和物质基本结构的学科，往年的诺贝尔物理学奖大都比较符合预期。在奖项公布前，行业内不少人觉得今年的物理学奖应该是自旋电子、反常霍尔效应、拓扑绝缘体等当中的一个。

“很意外，真的很意外！学物理和学计算机的人都给干沉默了。”一位认证为中国科学院大学工学博士的知乎用户发文称，“或许是物理学的概念也在与时俱进的发生着变化，而我们对‘物理学’的理解过于狭隘和传统。”

在北师大理论物理博士刘易安眼中，这既在意料之外，也在意料之中。

刘易安告诉界面新闻，诺贝尔物理学奖一般只颁发那种创新性极高一些基础物理的突破，还有一些已经实际应用的重大技术进步。但很明显AI目前应用到物理学研究当中，并没有重大的基础性的突破，一个很典型的特征是没有AI促进的新物理的发现。

“AI更属于计算机算法领域，很难说是物理学上的学科，AI研究需要的物理知识并不多，这是意料之外的。”刘易安称，意料之内则是因为自从前些年机器学习在物理学中的应用火了以后，已经有了相当多的论文出现。

相比AI在物理学奖上的争议，业内对于AI在化学影响的认同度则更高。

科普作家冷哲在一篇文章中声称：“如果机器学习在物理学层面属于锦上添花的帮助的话，在生物领域，尤其是蛋白质领域，这就是雪中送炭了，或者可以用颠覆性的成果来评价。”

“他们破解了蛋白质奇妙结构的密码。”诺贝尔奖颁奖词写道，蛋白质是生命中巧妙的化学工具。大卫·贝克（David Baker）制造出了全新种类的蛋白质；戴米斯·哈萨比斯（Demis Hassabis）和约翰·乔普（John M.Jumper）开发了一个人工智能模型来预测蛋白质的复杂结构，而该问题已存在了50年。他们的发现潜力巨大。

“没有蛋白质，生命就无法存在。我们现在可以预测蛋白质结构并设计我们自己的蛋白质，这给人类带来了最大的好处。”瑞典皇家科学院称。

那么，蛋白质设计和蛋白质结构预测有什么用？

冷哲解释道，“之前我们对于蛋白质的理解，都是说自然界里有什么性质的蛋白质，我们来找一找，找到以后来研究有什么用，然后看能不能进行一下优化。”

比如典型的例子就是PCR（聚合酶链反应，一种常用的分子生物学技术）用的耐高温的酶，首先是自然界里真的有这种酶，在被找到后进行一些优化，让它变得更好用。

“之前我们对于蛋白质工程的应用，甚至夸张点，都是停留在原始社会阶段，就像是在山里找个石头很锋利，可以拿来切割，也可以砍人，为了让它更好用一点，就给它敲一敲打磨一下，算是二次加工了。”冷哲称。

而有了蛋白质设计工具以后，科学家可根据需求，通过AI来定制各种功能的蛋白质，比如抗逆性+很强，又能耐高温，又能耐低温的酶。之前还是合成生物学，未来是设计生物学。

“虽然很多idea还很难实现，但这是0和1的区别。之前是不行，现在可以了。”冷哲称。

由戴米斯·哈萨比斯和约翰·乔普设计出的名为AlphaFold2的AI模型，目前能够预测研究人员已经确定的几乎所有两亿种蛋白质的结构。自2020年诞生以来，AlphaFold2已经被来自190个国家的200多万人使用。

受益于AlphaFold2，研究人员现在可以更好地了解抗生素耐药性，并创建可以分解塑料的酶的图像。

然而，也有人指出，当前蛋白质结构以及AI制药领域的基础理论仍旧不完备，无法覆盖实验结论。不过也有人寄希望于大模型在算力足够的情况下，能够直接总结规律合成新蛋白。

华南理工大学食品科学与工程学院陈文教授曾经和今年化学奖得主David Baker合作，他曾经求学过的实验室主要研究膜蛋白工作，会给David Baker提供一些建议，并对他设计的新型蛋白进行验证。

陈文也曾在Nature、Cell、Nature Protocols、Nature Communications、Angew Chem、JACS等高水平期刊发表论文，获得过哈佛医学院华人生命科学杰出科研奖和中华海外磁共振协会年度科学家奖。

在谈及David Baker获奖时，陈文以“令人信服”作为回应，“但物理奖给人工神经网络，化学奖给AlphaFold2，这些都跟物理和化学没有太大的关系。”

陈文告诉界面新闻，David Baker的想法比较超前，他设计蛋白质，改变蛋白质的特性，包括设计可溶性的生物膜蛋白。“以前他做蛋白设计的成功率低一些，现在已经能够根据部分需要设计蛋白质，也比较成功，只是广泛的产业应用还有待验证。”

作为行业人士，陈文教授也指出，当前AlphaFold3的部分预测不准确，并且预测蛋白与其他分子的相互作用比较有限。

以前的科学研究范式很可能被AI打破

AI在诺奖的渗透，也预示着交叉学科时代正在到来。

今年9月，2000年图灵奖得主、中国科学院院士、清华大学教授姚期智在一场公开论坛上表示，AI最明显的趋势有两个，一个是从弱智能走向通用智能。另一个是学科间的交叉赋能，使得本来就明显学科交叉的工作，变得更加活跃和重要。

“必须承认，在人工智能发展的早期阶段，物理学家确实提供了独特的研究思路，并作出了许多贡献。”姚尧解释道，启发式神经网络其实是沿着玻尔兹曼的统计物理思想一路发展起来的，它的发展已有近两百年的历史，是属于传统物理的研究内容，只是拓展到了新的研究内涵。

这显然涉及的是一个交叉学科。人工智能领域融合了物理的思想，同时也包含了计算机科学、认知心理学以及神经科学等多方面的知识，是一个综合性很强的领域，难以将其归属于单一学科。

物理、化学、生理学是诺贝尔奖最初的三大领域，但如今学科界限与诺贝尔时代相比已大不相同。如今的科研工作者往往跨越多个学科领域进行研究，物理学家也可能发表化学、材料科学、信息学乃至计算机科学的论文。

这种跨学科合作已成为常态。

即使是像计算物理这样看似传统的领域，也在与生物物理紧密结合。一些顶尖学府如麻省理工学院（MIT）或其他知名机构，已经开始将计算物理纳入生物物理的专业范围内，反映出计算与复杂网络理论的紧密联系。

随着AI在科学研究中的地位日益凸显，学术界也开始重视AI教育，许多传统物理专业的课程中开始大量引入人工智能相关内容。这意味着新一代的科研人员将在教育阶段就开始接触并习惯使用AI的思维方式来探索自然规律。

由此可见，交叉学科研究已成为不可避免的趋势，学科间的融合与调整是必然的发展方向。

“物理学这一基础学科的边界也在不断拓展。”姚尧对界面新闻称。

他指出，近十七八年来，诺贝尔物理学奖并非总是授予传统物理学的成就。除了引力波这种毋庸置疑的重大突破外，多数奖项颁发给了交叉学科的研究成果，例如气象物理、阿秒激光等领域，甚至是量子纠缠，其中也包含大量信息学的内容，而不完全是传统物理学。

2021年，诺贝尔物理学奖颁发给了气候变化领域的研究，这本身就是一个交叉学科。“气候变化是一个非常大的时代议题。2024年颁给AI，也是诺贝尔奖顺应时代发展的潮流，即当前人类发展面临重大问题可能的解决办法。”刘易安说。

同样的趋势也出现在化学奖上，诺贝尔化学奖很少再颁发给纯粹的化学研究，往往是交叉学科的成果。这种现象反映了诺贝尔奖的一个大趋势，即关注各个学科之间的交叉研究，包括天文学、地球物理学、生物学以及信息学等领域。

从更宏观的层面看，AI还将撬动其他领域基础科学研究进程的研究范式，即AI for Science（AI4S），这背后存在一个巨大的可发展的创业体系和商业空间。

AI4S是指利用人工智能技术来推动和加速科学研究的新型研究范式。这种范式通过结合机器学习、数据分析、高性能计算等技术，帮助科学家在各个领域进行更深入的探索和发现。

正如DeepMind和大卫·贝克团队的研究成果，加速了该领域对于蛋白质结构预测与设计的研究工作，这将直接推动生物医药领域的研发进程。

在多个领域，人工智能的应用正在开辟新天地，例如，促进罕见疾病的发现或推动更可持续材料的发展。科学家们正扮演着导师、同伴或助手的角色，利用人工智能应用程序以以前无法达到的速度和规模执行任务。

网易有道CEO周枫对界面新闻表示，2014年深度学习诞生以来AI给社会经济和科学研究带来巨大进步，已渗透到了各个学科，将来AI在很多方面都会超过人类，这会是历史性的事件，带来很多飞跃，也有很棘手的难题，所以也值得全球关注。

“AI对科学领域的影响力无疑是巨大的，它已经从各个层面改变了科学研究的范式。”姚尧对界面新闻称。

AI作为一种强大的工具被广泛应用于理论研究、实验设计和数据分析中，例如在材料科学、蛋白质结构预测、高能物理数据分析等方面，AI的应用已经成为不可或缺的一部分。

而AI更深层次的的影响，体现在研究方法和思维模式的变革上。

姚尧介绍，传统的物理学科学研究方法通常是基于牛顿力学以来的分析方法，而现在，借助神经网络和复杂网络理论，研究者们能够以全新的视角来理解物质世界的规律。

这种方法不再依赖于简化模型，而是将研究对象视为复杂的系统，利用人工智能的概念来探讨系统内部的连接、反馈机制等。

“基础科学的研究已经进入新时代。”刘易安也认同上述观点，以前的研究范式很有可能会被AI所打破，至少在诺贝尔奖委员会看来有这个大趋势。

但他认为，研究范式的改变并不会一蹴而就，目前AI并未走到改变研究范式的关键一步。在这方面，我们还有很长的路要走。

“未来的科学新发现，一定是在人工智能的辅助之下。”毕业于北京大学数学系的明略科技CEO吴明辉告诉界面新闻，杰弗里·辛顿的工作跟物理学、脑科学之间有很大的关系；而alphafold则是直接利用AI解决学科问题，利用AI迭代工作，推动学科进步，这类情况后续应该会大量出现。

他指出，杰弗里·辛顿 （Geoffrey Hinton）获奖是很偶然的情况，或者很多年才会出现一次。上一次还是赫伯特·A·西蒙，同时拿了图灵奖和诺贝尔经济学奖，他解决的是组织行为学和人类心理以及信息学之间的问题。

正如杰弗里·辛顿在接受诺贝尔奖电视采访时所说，他一直在研究大脑是如何工作得，只不过在此过程中帮助创造了一项有效的技术——AI。

未来，随着科学的进一步发展，我们或许会看到更多类似的“跨界”诺贝尔奖诞生。